*僅供醫(yī)學(xué)專業(yè)人士閱讀參考

“眼睛是心靈的窗戶”具象化了。

用藥小妙招

整理：醫(yī)學(xué)界報(bào)道組

引言：百年前的預(yù)言，通過(guò)科技新生

“視網(wǎng)膜動(dòng)脈狹窄可能預(yù)示著腎臟與大腦相關(guān)的全身性動(dòng)脈疾病……”1898年，蘇格蘭醫(yī)師Marcus Gunn寫(xiě)下的這段話，如今聽(tīng)來(lái)仍令人驚嘆其遠(yuǎn)見(jiàn)（圖1）。一個(gè)多世紀(jì)后的今天，隨著人工智能（AI）技術(shù)的爆發(fā)式發(fā)展，這位醫(yī)學(xué)先賢的預(yù)言正逐漸成為現(xiàn)實(shí)——通過(guò)一張簡(jiǎn)單的眼底照片，AI不僅能診斷眼疾，更能精準(zhǔn)預(yù)測(cè)你的心臟健康風(fēng)險(xiǎn)。

圖1 百年前的預(yù)言

韓國(guó)延世大學(xué)醫(yī)學(xué)院的Sungha Park教授在2025年ESC大會(huì)上分享了“視網(wǎng)膜掃描與心血管疾病之間的聯(lián)系”這一話題（圖2），并明確地表示：“視網(wǎng)膜是人體唯一能夠直接、無(wú)創(chuàng)觀察微血管的部位。”

圖2 Park教授在ESC現(xiàn)場(chǎng)講課

眼睛，是通往心血管的窗口

為什么視網(wǎng)膜能夠成為心血管疾病的預(yù)測(cè)窗口？答案藏在它的特殊性中。

這扇“窗口”的價(jià)值，早已被我們所察覺(jué)。醫(yī)生們通過(guò)眼底鏡觀察到的各種異?！鲅?、微動(dòng)脈瘤、棉絮斑、動(dòng)靜脈交叉征、局灶性小動(dòng)脈狹窄等，均被證實(shí)與高血壓、糖尿病、頸動(dòng)脈疾病、腦卒中、冠心病等系統(tǒng)性疾病存在顯著關(guān)聯(lián)[1]。

但Park教授也指出，傳統(tǒng)眼底檢查高度依賴醫(yī)師經(jīng)驗(yàn)，不同醫(yī)師對(duì)同一圖像的判斷可能存在差異，特別是對(duì)動(dòng)靜脈交叉征和局灶性小動(dòng)脈狹窄的判定。

AI“讀圖”，看到人眼看不到的信息

當(dāng)人類專家的判斷存在主觀差異時(shí)，AI帶來(lái)了解決方案。

2018年，谷歌科學(xué)家在Nature子刊發(fā)表研究[2]，證明了AI僅通過(guò)眼底照片就能預(yù)測(cè)多種如年齡、性別、BMI、糖化血紅蛋白、吸煙狀態(tài)、收縮壓和舒張壓等心血管危險(xiǎn)因素。令人驚訝的是，AI對(duì)性別判斷的曲線下面積（AUC）值高達(dá)0.97，而人眼幾乎不可能從眼底圖像判斷性別。這其實(shí)也告訴我們：AI能從眼底中提取出人眼難以察覺(jué)的信息。

此后，全球多個(gè)研究團(tuán)隊(duì)紛紛投身這一領(lǐng)域，無(wú)一不印證了眼底照片AI分析可作為一種無(wú)創(chuàng)、便捷的心血管風(fēng)險(xiǎn)篩查工具。

韓國(guó)首爾大學(xué)的研究團(tuán)隊(duì)開(kāi)發(fā)出基于視網(wǎng)膜眼底圖像預(yù)測(cè)心血管死亡風(fēng)險(xiǎn)的AI模型[3]。將該模型應(yīng)用于3.2萬(wàn)余名受試者后發(fā)現(xiàn)，算法判定的高分組心血管死亡率是低分組的8倍。

圖3 評(píng)分越高，心血管死亡風(fēng)險(xiǎn)顯著增加

Park教授團(tuán)隊(duì)則利用深度學(xué)習(xí)技術(shù)，開(kāi)發(fā)出能從眼底照片預(yù)測(cè)冠狀動(dòng)脈鈣化積分的算法——RetiCAC評(píng)分[4]。研究涉及包括延世大學(xué)健康篩查中心、新加坡眼科研究所流行病學(xué)眼病研究（SEED）和英國(guó)生物樣本庫(kù)（UK Biobank）在內(nèi)的五大數(shù)據(jù)庫(kù)，超過(guò)10萬(wàn)張圖像?！敖Y(jié)果顯示，RetiCAC評(píng)分與冠狀動(dòng)脈鈣化積分一樣，能有效預(yù)測(cè)心血管事件風(fēng)險(xiǎn)，且在預(yù)測(cè)鈣化積分方面，甚至優(yōu)于年齡等傳統(tǒng)風(fēng)險(xiǎn)因素。”P(pán)ark教授介紹。

圖4 RetiCAC評(píng)分能有效預(yù)測(cè)心血管事件風(fēng)險(xiǎn)

五分鐘，完成一次心臟風(fēng)險(xiǎn)評(píng)估

這一技術(shù)不僅停留在研究層面，已開(kāi)始走向臨床應(yīng)用。

2023年，韓國(guó)食品藥品監(jiān)督局批準(zhǔn)了基于AI的視網(wǎng)膜心血管風(fēng)險(xiǎn)評(píng)估系統(tǒng)用于臨床（圖5），并已啟動(dòng)為期四年的醫(yī)保報(bào)銷評(píng)估流程。在實(shí)際應(yīng)用中，這套系統(tǒng)展現(xiàn)出顯著優(yōu)勢(shì)：無(wú)需散瞳，占用空間小，非專家也可操作，五分鐘內(nèi)即可獲得包括心血管風(fēng)險(xiǎn)和視網(wǎng)膜異常在內(nèi)的完整報(bào)告。

圖5 視網(wǎng)膜心血管風(fēng)險(xiǎn)評(píng)估系統(tǒng)已用于臨床

Park教授分享了一個(gè)真實(shí)案例：一名46歲女性，患有未控制的高血壓和顯著蛋白尿，雖然肥胖并伴有左心室肥厚，但基于傳統(tǒng)風(fēng)險(xiǎn)因素計(jì)算的ASCVD風(fēng)險(xiǎn)評(píng)分僅為2.7（低風(fēng)險(xiǎn)）。然而，AI視網(wǎng)膜評(píng)估將其列為高風(fēng)險(xiǎn)，并發(fā)現(xiàn)雙側(cè)高血壓性視網(wǎng)膜病變?；谶@一結(jié)果，Park教授在降壓治療基礎(chǔ)上加用了他汀類藥物，進(jìn)行更積極的一級(jí)預(yù)防。

當(dāng)然，這一技術(shù)仍需在不同種族群體中進(jìn)一步驗(yàn)證。目前，由新加坡?tīng)款^的國(guó)際研究組正在開(kāi)展大規(guī)模驗(yàn)證研究，結(jié)果令人期待。

小結(jié)

從Marcus Gunn醫(yī)師一個(gè)多世紀(jì)前的敏銳觀察，到今天AI驅(qū)動(dòng)的高精度風(fēng)險(xiǎn)評(píng)估，視網(wǎng)膜作為“心血管之窗”，作為唯一可在體內(nèi)直接觀察微血管的部位，其各種異常與臨床和亞臨床心血管結(jié)局緊密相連。基于眼底照片和血管特征的深度學(xué)習(xí)系統(tǒng)，也許能成為提供更精確更便捷心血管風(fēng)險(xiǎn)分層的工具。

正如Park教授所言：“我們正在見(jiàn)證一個(gè)全新領(lǐng)域的誕生——通過(guò)一張簡(jiǎn)單的眼底照片，不僅能守護(hù)患者的視力，更能預(yù)警他們的心血管健康?！?/p>

參考文獻(xiàn)：

[1]van den Born BJ, Hulsman CA, Hoekstra JB, Schlingemann RO, van Montfrans GA. Value of routine funduscopy in patients with hypertension: systematic review. BMJ. 2005 Jul 9;331(7508):73. doi: 10.1136/bmj.331.7508.73. PMID: 16002881; PMCID: PMC558610.

[2]Poplin R, Varadarajan AV, Blumer K, Liu Y, McConnell MV, Corrado GS, Peng L, Webster DR. Prediction of cardiovascular risk factors from retinal fundus photographs via deep learning. Nat Biomed Eng. 2018 Mar;2(3):158-164. doi: 10.1038/s41551-018-0195-0. Epub 2018 Feb 19. PMID: 31015713.

[3]Chang J, Ko A, Park SM, Choi S, Kim K, Kim SM, Yun JM, Kang U, Shin IH, Shin JY, Ko T, Lee J, Oh BL, Park KH. Association of Cardiovascular Mortality and Deep Learning-Funduscopic Atherosclerosis Score derived from Retinal Fundus Images. Am J Ophthalmol. 2020 Sep;217:121-130. doi: 10.1016/j.ajo.2020.03.027. Epub 2020 Mar 25. PMID: 32222370.

[4]Rim TH, Lee CJ, Tham YC, Cheung N, Yu M, Lee G, Kim Y, Ting DSW, Chong CCY, Choi YS, Yoo TK, Ryu IH, Baik SJ, Kim YA, Kim SK, Lee SH, Lee BK, Kang SM, Wong EYM, Kim HC, Kim SS, Park S, Cheng CY, Wong TY. Deep-learning-based cardiovascular risk stratification using coronary artery calcium scores predicted from retinal photographs. Lancet Digit Health. 2021 May;3(5):e306-e316. doi: 10.1016/S2589-7500(21)00043-1. PMID: 33890578.

醫(yī)學(xué)界心血管領(lǐng)域交流群正式開(kāi)放！

加入我們吧！

責(zé)任編輯：銀子

*"醫(yī)學(xué)界"力求所發(fā)表內(nèi)容專業(yè)、可靠，但不對(duì)內(nèi)容的準(zhǔn)確性做出承諾；請(qǐng)相關(guān)各方在采用或以此作為決策依據(jù)時(shí)另行核查。